应用案例1 人才招聘的群体决策信息协同

人才招聘决策是一个典型的不确定多属性的决策问题，需要对群体的决策进行协同。下面，以播音主持人招聘为例（5位专家、10位播音主持人），构建人才招聘的群体决策综合评价（多源决策信息协同）模型。

1．评价指标体系建立

采用专家咨询法，筛选出能够全面描述播音员和主持人的评价指标。

构建指标体系：<语言表达，副语言表达，职业精神，知识技能，现场表现，思想觉悟，社会调查>。

（1）语言表达c1：<语言规范度，嗓音条件，语言表现>。

（2）副语言表达c2：<化妆服饰发型，眼神表情体态>。

（3）职业精神c3：<自律能力，社会责任，专业精神，团队意识，奉献精神>。

（4）知识技能c4：<文化知识，附加技能>。

（5）现场表现c5：<参与节目的积极性，与现场人员的配合，现场效果，个人风格与节目贴合度，传播准确到位>。

（6）思想觉悟c6：<政治水平，法律意识，道德观念>。

（7）社会调查c7：<收视率，受众满意度，主持人知名度，节目美誉度>。

2．专家打分

（1）10个播音主持人员构成的论域为U={x1，x2，x3，…，x10}。7个一级指标构成了条件属性集C={c1，c2，c3，c4，c5，c6，c7}。评价等级{优，中，差}分别对应{2，1，0}。

（2）5个专家根据7个指标和3个评价等级，分别对10个播音主持人员的表现进行打分。设定5个专家的意见是同等重要的，因此取5个专家的平均分并取整，系统计算出10×7关系矩阵，如表3.3所示。

3．指标体系约简

系统依据Skowron提出的信息系统区分矩阵的定义和表3.3构造出区分矩阵，如表3.4所示。

根据区分矩阵构造出区分函数并用吸收率进行化简得：

从区别矩阵中可以看出指标集的核是c1，即语言表达，说明基本功对主持人的重要性。这些约简是并列关系，可以选取任意一个作为约简结果，一般选择指标个数最少的约简集。在此，专家根据系统计算出的约简集，并结合对评价对象的要求进行选择，这里选取{c1，c2，c6}（语言表达，副语言表达，思想觉悟）。用这种方法有效地缩减了评价指标的规模。

最终确定的指标体系为：

（1）语言表达c1：<语言规范度，嗓音条件，语言表现>。

（2）副语言表达c2：<化妆服饰发型，眼神表情体态>。

（3）思想觉悟c6：<政治水平，法律意识，道德观念>。

4．指标权重确定

根据对播音主持人评价构成的信息系统表可求得约简后的指标权重：

C/D的等价类：{{x1}，{x2}，{x3}，{x4}，{x5}，{x6}，{x7}，{x8}，{x9}，{x10}}。

C-{c1}的等价类：{{x1，x10}，{x2，x4}，{x3}，{x5，x8}，{x6，x9}，{x7}}。

C-{c2}的等价类：{{x1，x2}，{x3}，{x4，x8，x10}，{x5}，{x6}，{x7，x9}}。

C-{c6}的等价类：{{x1}，{x2，x6}，{x3，x7，x10}，{x4，x9}，{x5}，{x8}}。

系统根据公式计算指标的权重如下：

5．综合评价协同

根据指标权重和约简后的指标值，采用线性加权法对各个指标进行加权计算，求得10个播音主持人的综合评价得分：

10名播音主持人的排序结果为：

x2>x3=x4>x1=x6>x9=x10>x8>x5=x7

采用TOPSIS方法计算的步骤在此不详述，10名播音主持人的排序结果为：

x3>x2>x4>x1>x10>x6>x9>x8>x5>x7

可以看出，线性加权法和TOPSIS法得到的排序结果基本一致，但在个别主持人的排序上因选择方法的不同产生了微调。